基于深度学习的合同分类及要素抽取模型

合同文本的智能化处理已成为企业信息化的一个重要需求。针对合同文本存在的凌乱、碎片化和无规则的问题,本文提出了基于深度学习的合同分类模型及要素抽取模型。合同分类从标题分类和文本分类两个方向展开研究,提出了基于注意力机制的BiLSTM模型进行标题分类,基于改进的HAN深度学习模型进行文本分类,有效地提升了文本分类的准确性;针对存在的合同信息难以抽取的问题,提出基于BiLSTM-CRF深度学习模型识别合同要素,以准确获取合同要素信息。实验表明,本文提出模型能够很好地应用在合同文本处理中,能够提升分类和要素抽取的性能。     

一种基于CA-Net的脑肿瘤磁共振图像分割算法

磁共振影像是脑肿瘤疾病中常用的诊断工具,临床上的量化分析需要对影像结果进行分割得到肿瘤区域,但手动分割十分耗时且高度依赖于医生的临床经验。为此,本文提出一种基于深度学习的脑磁共振图像分割算法,解决了原网络无法有效提取关键特征的问题。该算法使用改进的有限对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization, CHALE)算法,对脑肿瘤磁共振影像进行图像增强后,将结果输入CA-Net网络对数据集初步分割,并将全注意力算法和U-net骨架结构结合(包括空间、通道和尺度注意力模块),实现对不同尺度的空间和通道的特征转换连接。模型应用混合损失函数提高分割精度。初步分割的结果可通过后处理进一步提高精度,得到最终的肿瘤区域。初步分割结果中,Dice指标可以达到88.40(±0.24)%,结合图像处理提高至89.21(±0.36)%,分割精度相较于其它算法有明显提高。     

动态场景下基于视觉的SLAM技术研究

针对视觉同时定位与地图构建(SLAM)技术在动态环境中存在定位精度低、地图虚影等问题,提出了一种基于深度学习的动态SLAM算法。该算法利用网络参数少且目标识别率高的YOLOv8n改善系统的视觉前端,为视觉前端增加语义信息,提取动态区域特征点。然后采用LK光流法识别动态区域的动态特征点,剔除动态特征点并保留动态区域内的静态特征点,提高特征点利用率。此外,该算法通过增加地图构建线程,剔除YOLOv8n提取的动态物体点云,接收前端提取的语义信息,实现静态语义地图构建,消除由动态物体产生的虚影。实验结果显示,在动态环境下该算法与ORB-SLAM3相比,定位精度提升92.71%,与其他动态视觉SLAM算法相比,也有小幅度改善。     

基于深度卷积神经网络算法改进

深度卷积神经网络在近年发展迅速,特别是在深度学习被提出来后。但在真实的人脸检测中,大的视觉变化,如背景,照明等,需要一种精确的判别模型来区分人脸和背景。于是,本文给出基于深度卷积网络算法的改进。     

BP网络过拟合现象满足的不确定关系新的改进式

类比信息传递过程中的一般测不准关系式 ,引进表征问题复杂性的函数复相关系数R和代表网络结构特性的隐节点数h ,揭示了BP网络过拟合现象出现时的网络学习能力与推广能力之间满足的不确定关系式 ;通过模拟了 12种不同类型复杂程度函数的过拟合数值试验 ,确定出关系式中的过拟合参数 p的取值范围已缩小为 1×10 -5～ 5× 10 -4;给出应用BP网络对给定样本集的训练过程中 ,判断出现过拟合现象的方法     

“汇编语言程序设计”课程教学改革

"汇编语言程序设计"课程在教材建设、教学内容、教学方式和实践环节等方面存在诸多问题,面临教师难教、学生难学的困境。为体现学生主体性和参与式教学等理念,本文从学习迁移理论出发,试图分析该课程存在的现实问题,并提出应对现有困境的改革途径及实施方案。     

固体激光器的横模选择——平行平面热稳腔

本文利用费涅耳标量衍射理论和光学模成像法则，讨论了具有内透镜的谐振腔。导出了等效谐振腔的基本结构。计算与分析表明，具有内透镜的平行平面腔可以等效为平球型谐振腔。当腔镜与透镜的配置满足本文所推导的公式时．该腔是热稳腔。本文还讨论了这类谐振腔的选模特性和一些设计实例。     

物联网安全中基于博弈论的BP-1模型研究

物联网应用中,感知层节点存在对攻击的防范、隐私保护、可信合作等若干关键技术问题。而物联网工作的场地条件和其可变的拓扑结构,从某种意义上决定了物联网设备工作时只具备较低的复杂度,而这为通过传统信息安全手段解决其安全问题带来了困难。本文描述了基于演化博弈理论,模仿神经网络学习算法,建立物联网节点的演化博弈数学模型BP-1的主要工作。基于模型,节点面对攻击表现出良好的演化稳定策略。文章提出了基于对手承诺条件下的安全多方计算合作机制和隐私保护博弈算法,为物联网安全中的若干关键问题的解决探索了一条新的路径。     

基于改进深度强化学习的电动汽车充换电站调度技术

由于电动汽车充换电站的请求存在明显的多样化特征,导致充换电站的负荷波动性较大,为此,提出基于改进深度强化学习的电动汽车充换电站调度技术研究。基于LSTM构建了充换电站需求响应模型,并设置了搜索区间的边界位置,以此得出最优的充换电站需求响应方案,利用卷积神经网络对实现对电动汽车充换电站调度的寻优,得出匹配最优的充换电站需求响应方案的调度结果。测试结果表明,设计调度技术可以实现电动汽车充换电站负荷曲线出现相对稳定的状态,未出现超负荷的情况。